小米 MiMo 团队把大模型开发中少见的一部分过程放到了公开页面：两款尚未发布的模型 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash 正在进行强化学习（RL）后训练，外界可通过仪表盘查看部分遥测数据，包括奖励曲线、rollout 数量、单步耗时、累计计算成本、评测结果及基础设施事件。18

真正值得关注的，并非这个页面已经“证明”了最终模型有多强，而是小米将大规模智能体 RL 的运行过程——生成轨迹、执行环境、验证与评分、更新、失败和花费——作为可被外部观察的对象。

仪表盘公开了哪些内容

报道显示，Pro 和 Flash 两条并行训练线于 2026 年 9 月 15 日启动。两款模型仍处于训练阶段，小米尚未公布它们的最终规格、价格或面向公众的可用性安排。18

小米披露的单批配置规模不小：1,568 条提示词、每条提示词 16 个 rollout，即约 2.5 万条生成轨迹；每个 RL step 约处理 20 亿 Token。团队表示，系统以全异步方式运行。24

这并非一个只对静态文本偏好对进行优化的简单循环。MiMo 团队负责人罗福莉将扩展工作概括为三个维度：

• 计算规模：每步约 20 亿 Token；
• 环境与任务框架：一轮训练中混合多个智能体任务及任务框架；
• 评分器计算：采用智能体组内信用分配，奖励来自测试用例和规则量表（rubric）。24

换句话说，模型会生成行动或解题方案，在任务环境中执行，获得由验证器或规则评分产生的反馈，再据此更新。在这样的规模下，生成 rollout 与运行评测器的吞吐能力，可能和优化器本身一样关键。

全异步架构为何是重点

全异步 RL 系统意味着：rollout 生成、环境执行、评分和模型更新可以并行推进，而不必让所有环节都等待最慢的任务。面对混合智能体工作负载，这一点尤其重要——有的任务很快结束，有的则需要更长的工具调用链，或更昂贵的评测。

小米特别强调“评分器计算”也有现实含义。智能体任务的结果往往取决于一连串操作，而不是一次回答；如何把最终结果对应的奖励分配到这段行动序列中，即小米所称的“智能体组内信用分配”，会成为训练系统的一部分，而非末端附加步骤。24

因此，这场直播传递的工程信号是：扩展智能体 RL 不只是增加训练 GPU，还要让环境、轨迹生成和验证评分能力同步扩容，才能持续为训练循环提供有效反馈。

如何看待不断跳动的成本计数器

基于公开仪表盘的早期报道显示，Pro 启动约 36 小时后，两条训练线合计支出已超过 108 万美元，平均约 每小时 3 万美元。4 其他页面快照显示，Pro 约为 83 万美元、Flash 约为 36 万美元；Pro 曾因节点显存（VRAM）问题重启，Flash 则因数据集错误在第 15 步后重启。9

这些数字很醒目，但应谨慎解读：

• 它们是小米页面展示的动态计算成本估算，并非独立审计后的账单；
• 仪表盘总额的核算口径未公开，未必覆盖硬件、预留容量、研发人力、数据准备、存储、网络和评测基础设施的全部费用；
• 它不能说明 MiMo-V2.6 的完整研发预算，也不能得出每一单位能力提升的成本；
• 重启和利用率变化会使按小时简单外推变得不可靠。

但有一点很清楚：小米将其呈现为一项成本高、基础设施密集的在线 RL 工作，而非轻量级的后训练试验。

奖励曲线与 DeepSWE 分数，能说明什么？

仪表盘据称展示了奖励曲线和训练过程中的代码评测。其中一个快照中，DeepSWE v1.1 的分数为：Pro 63.72、Flash 60.77。9

这些更适合作为训练诊断信号，而不是最终能力结论。奖励曲线上升可能意味着任务完成效果变好，但也可能受到任务混合比例变化、方差、评分器行为、针对奖励的优化，或基准暴露等因素影响。类似地，中途的基准测试分数也不是最终模型成绩，除非评测协议、采样设置、污染控制和最终检查点选择方法都得到充分说明并经过独立核验。

更稳妥的结论是：这场直播让观察者看到训练信号如何变化；但它本身不能证明成品 MiMo-V2.6 会在所展示评测体系之外同样具备泛化能力。

小米承诺还会公开什么

罗福莉表示，团队近半年围绕一个问题展开研究：强化学习究竟能扩展到什么程度。她称 MiMo-V2.6 仍处于 RL 训练中，并表示未来数周将“逐步”开源相关细节。24

这是一项值得关注的进一步技术披露承诺，但不能直接等同于完整可复现发布。该表述本身并未承诺公开全部训练数据、提示词、评分器权重、环境实现、优化器状态、每一个检查点或完整集群日志。

与 Xiaomi-Robotics-U0 有何不同

MiMo-V2.6 的透明度，重点在于过程可见性：小米展示的是进行中的语言与智能体后训练所选取的运行遥测信息。

Xiaomi-Robotics-U0 则是不同类型的项目，也对应不同形式的开放。该机器人模型被描述为一款面向具身智能的 380 亿参数自回归世界基础模型，统一处理文生图、图像编辑、具身场景生成、具身迁移和具身视频生成等任务。2534 小米公开仓库则介绍了该项目发布的模型及框架材料。32

两者可简单区分为：

• Robotics-U0：开放重点是模型产物、代码或框架，以及具身生成能力；
• MiMo-V2.6 RL 直播：开放重点是智能体后训练过程中选取的实时运行遥测数据。

两种做法都有价值，但都不会自动提供从零复现完整结果所需的一切信息。

公开 RL 仪表盘的边界

MiMo 的直播比只在发布后给出一张基准表更具可观察性，但关键不确定性依然存在。

“实时”无法由外部独立验证

公开仪表盘可以接近实时，但仍可能存在延迟更新、事后补录、数据修正、暂停、重启或人工干预。它证明的是一种不同寻常的信息披露，并不是对训练全过程不间断连续性的加密学证明。

无法证明训练数据来源

公开的提示词、rollout、Token 与成本计数，不能证明不存在未披露的教师模型输出、专有数据、过滤后的人类数据、隐藏的基准暴露，或其他未在仪表盘上呈现的输入。

展示指标具有条件性

如果没有完整公开的评测框架、冻结测试集、采样设置、重复随机种子和独立复现，奖励曲线和中途 DeepSWE 成绩都无法最终判定模型的通用能力。

可见内容仍是经过选择的

仪表盘可以展示进展和事故，但未必会披露完整任务配比、奖励权重、评分器可靠性、硬件清单、精确成本方法、数据来源，或最终检查点的选择标准。

结论

小米 MiMo-V2.6 仪表盘是一场罕见的大规模智能体 RL 公开可观测性实验。其披露的配置——每步约 20 亿 Token、1,568 条提示词、每条 16 个异步 rollout、混合环境和大量评分端工作——表明小米将 RL 扩展视作一个系统工程问题，而不仅是模型训练问题。24

成本、奖励曲线、基准快照和故障记录，让这项工作比事后发布的一篇产品公告更容易被外界检视。但它们仍是来自未完成训练的、经过选择的自报遥测信息。仪表盘是运营透明度的有力证据，却不是对持续实时训练、完整训练来源或最终模型质量的独立证明。

小米 MiMo 团队把大模型开发中少见的一部分过程放到了公开页面：两款尚未发布的模型 MiMo-V2.6-Pro 与 MiMo-V2.6-Flash 正在进行强化学习（RL）后训练，外界可通过仪表盘查看部分遥测数据，包括奖励曲线、rollout 数量、单步耗时、累计计算成本、评测结果及基础设施事件。18

真正值得关注的，并非这个页面已经“证明”了最终模型有多强，而是小米将大规模智能体 RL 的运行过程——生成轨迹、执行环境、验证与评分、更新、失败和花费——作为可被外部观察的对象。

仪表盘公开了哪些内容

报道显示，Pro 和 Flash 两条并行训练线于 2026 年 9 月 15 日启动。两款模型仍处于训练阶段，小米尚未公布它们的最终规格、价格或面向公众的可用性安排。18

小米披露的单批配置规模不小：1,568 条提示词、每条提示词 16 个 rollout，即约 2.5 万条生成轨迹；每个 RL step 约处理 20 亿 Token。团队表示，系统以全异步方式运行。24

这并非一个只对静态文本偏好对进行优化的简单循环。MiMo 团队负责人罗福莉将扩展工作概括为三个维度：

• 计算规模：每步约 20 亿 Token；
• 环境与任务框架：一轮训练中混合多个智能体任务及任务框架；
• 评分器计算：采用智能体组内信用分配，奖励来自测试用例和规则量表（rubric）。24

换句话说，模型会生成行动或解题方案，在任务环境中执行，获得由验证器或规则评分产生的反馈，再据此更新。在这样的规模下，生成 rollout 与运行评测器的吞吐能力，可能和优化器本身一样关键。

全异步架构为何是重点

全异步 RL 系统意味着：rollout 生成、环境执行、评分和模型更新可以并行推进，而不必让所有环节都等待最慢的任务。面对混合智能体工作负载，这一点尤其重要——有的任务很快结束，有的则需要更长的工具调用链，或更昂贵的评测。

小米特别强调“评分器计算”也有现实含义。智能体任务的结果往往取决于一连串操作，而不是一次回答；如何把最终结果对应的奖励分配到这段行动序列中，即小米所称的“智能体组内信用分配”，会成为训练系统的一部分，而非末端附加步骤。24

因此，这场直播传递的工程信号是：扩展智能体 RL 不只是增加训练 GPU，还要让环境、轨迹生成和验证评分能力同步扩容，才能持续为训练循环提供有效反馈。

如何看待不断跳动的成本计数器

基于公开仪表盘的早期报道显示，Pro 启动约 36 小时后，两条训练线合计支出已超过 108 万美元，平均约 每小时 3 万美元。4 其他页面快照显示，Pro 约为 83 万美元、Flash 约为 36 万美元；Pro 曾因节点显存（VRAM）问题重启，Flash 则因数据集错误在第 15 步后重启。9

这些数字很醒目，但应谨慎解读：

• 它们是小米页面展示的动态计算成本估算，并非独立审计后的账单；
• 仪表盘总额的核算口径未公开，未必覆盖硬件、预留容量、研发人力、数据准备、存储、网络和评测基础设施的全部费用；
• 它不能说明 MiMo-V2.6 的完整研发预算，也不能得出每一单位能力提升的成本；
• 重启和利用率变化会使按小时简单外推变得不可靠。

但有一点很清楚：小米将其呈现为一项成本高、基础设施密集的在线 RL 工作，而非轻量级的后训练试验。

奖励曲线与 DeepSWE 分数，能说明什么？

仪表盘据称展示了奖励曲线和训练过程中的代码评测。其中一个快照中，DeepSWE v1.1 的分数为：Pro 63.72、Flash 60.77。9

这些更适合作为训练诊断信号，而不是最终能力结论。奖励曲线上升可能意味着任务完成效果变好，但也可能受到任务混合比例变化、方差、评分器行为、针对奖励的优化，或基准暴露等因素影响。类似地，中途的基准测试分数也不是最终模型成绩，除非评测协议、采样设置、污染控制和最终检查点选择方法都得到充分说明并经过独立核验。

更稳妥的结论是：这场直播让观察者看到训练信号如何变化；但它本身不能证明成品 MiMo-V2.6 会在所展示评测体系之外同样具备泛化能力。

小米承诺还会公开什么

罗福莉表示，团队近半年围绕一个问题展开研究：强化学习究竟能扩展到什么程度。她称 MiMo-V2.6 仍处于 RL 训练中，并表示未来数周将“逐步”开源相关细节。24

这是一项值得关注的进一步技术披露承诺，但不能直接等同于完整可复现发布。该表述本身并未承诺公开全部训练数据、提示词、评分器权重、环境实现、优化器状态、每一个检查点或完整集群日志。

与 Xiaomi-Robotics-U0 有何不同

MiMo-V2.6 的透明度，重点在于过程可见性：小米展示的是进行中的语言与智能体后训练所选取的运行遥测信息。

Xiaomi-Robotics-U0 则是不同类型的项目，也对应不同形式的开放。该机器人模型被描述为一款面向具身智能的 380 亿参数自回归世界基础模型，统一处理文生图、图像编辑、具身场景生成、具身迁移和具身视频生成等任务。2534 小米公开仓库则介绍了该项目发布的模型及框架材料。32

两者可简单区分为：

• Robotics-U0：开放重点是模型产物、代码或框架，以及具身生成能力；
• MiMo-V2.6 RL 直播：开放重点是智能体后训练过程中选取的实时运行遥测数据。

两种做法都有价值，但都不会自动提供从零复现完整结果所需的一切信息。

公开 RL 仪表盘的边界

MiMo 的直播比只在发布后给出一张基准表更具可观察性，但关键不确定性依然存在。

“实时”无法由外部独立验证

公开仪表盘可以接近实时，但仍可能存在延迟更新、事后补录、数据修正、暂停、重启或人工干预。它证明的是一种不同寻常的信息披露，并不是对训练全过程不间断连续性的加密学证明。

无法证明训练数据来源

公开的提示词、rollout、Token 与成本计数，不能证明不存在未披露的教师模型输出、专有数据、过滤后的人类数据、隐藏的基准暴露，或其他未在仪表盘上呈现的输入。

展示指标具有条件性

如果没有完整公开的评测框架、冻结测试集、采样设置、重复随机种子和独立复现，奖励曲线和中途 DeepSWE 成绩都无法最终判定模型的通用能力。

可见内容仍是经过选择的

仪表盘可以展示进展和事故，但未必会披露完整任务配比、奖励权重、评分器可靠性、硬件清单、精确成本方法、数据来源，或最终检查点的选择标准。

结论

小米 MiMo-V2.6 仪表盘是一场罕见的大规模智能体 RL 公开可观测性实验。其披露的配置——每步约 20 亿 Token、1,568 条提示词、每条 16 个异步 rollout、混合环境和大量评分端工作——表明小米将 RL 扩展视作一个系统工程问题，而不仅是模型训练问题。24

成本、奖励曲线、基准快照和故障记录，让这项工作比事后发布的一篇产品公告更容易被外界检视。但它们仍是来自未完成训练的、经过选择的自报遥测信息。仪表盘是运营透明度的有力证据，却不是对持续实时训练、完整训练来源或最终模型质量的独立证明。